Diese Arbeit zeigt eine Integration einer Wasserqualität Modell mit einer Optimierung Komponente nutzen evolutionären Algorithmen für eine optimale (niedrigsten Kosten) Platzierung von landwirtschaftlichen Erhaltung Praktiken für eine bestimmte Reihe von Verbesserung der Wasserqualität Ziele zu lösen. Die Lösungen werden unter Verwendung eines multi-objektiven Ansatz, so dass für die explizite Quantifizierung von Kompromissen.
Das Finden der wirtschaftlich (dh niedrigsten Kosten) Möglichkeiten von Targeting Erhaltung der Praxis Investitionen für die Erreichung eines bestimmten Wasserqualität Ziele in der Landschaft ist von zentraler Bedeutung in Watershed Management. Traditionelle Ökonomie Methoden zu finden, die kostengünstigste Lösung in der Wasserscheide Kontext (zB 5,12,20) davon ausgehen, dass off-site Auswirkungen genau kann als Anteil der Vor-Ort Umweltverschmutzung erzeugt beschrieben werden. Solche Ansätze sind kaum repräsentativ für die tatsächliche Verschmutzung Prozess in einem Einzugsgebiet, in dem die Auswirkungen von umweltschädlichen Quellen häufig durch komplexe biophysikalische Prozesse bestimmt werden. Der Einsatz moderner physikalisch basierten, räumlich verteilten hydrologischen Simulationsmodellen ermöglicht einen höheren Grad an Realismus in Bezug auf die Prozessdarstellung erfordert aber eine Entwicklung eines Simulations-Optimierung Rahmen, in dem das Modell zu einem integralen Bestandteil der Optimierung.
Evolutionary Algorithmen scheinen eine besonders nützliche Optimierungs-Tool in der Lage, mit der kombinatorischen Charakter einer Wasserscheide Simulations-Optimierung Problem umzugehen und erlaubt die Verwendung des vollen Wasserqualität Modell sein. Evolutionäre Algorithmen behandeln eine bestimmte räumliche Zuordnung der Erhaltung Praktiken in einem Wassereinzugsgebiet als Kandidat Lösung und nutzen Sets (Populationen) von Kandidaten-Lösungen iterative Anwendung stochastischer Betreiber von Selektion, Rekombination und Mutation zu Verbesserungen im Hinblick auf die Optimierung der Ziele zu finden. Die Optimierung Ziele sind in diesem Fall die diffuse Verschmutzung im Einzugsgebiet zu minimieren, gleichzeitiger Minimierung der Kosten für die Erhaltung Praktiken. Eine aktuelle und Ausbau Reihe von Forschungs versucht, ähnliche Methoden zu verwenden und integriert Wasserqualität Modelle mit breiter definierten evolutionäre Optimierungsverfahren 3,4,9,10,13-15,17-19,22,23,25. In dieser Anwendung demonstrieren wir ein Programm, welches Rabotyagov et al folgt. 'S entspreach und integriert eine moderne und häufig verwendete SWAT Wasserqualität Modell 7 mit einem multikriterielle evolutionären Algorithmus SPEA2 26 und Benutzer-spezifizierten Satz von der Erhaltung Praktiken und deren Kosten für die komplette Kompromiss Grenzen zwischen Kosten der Erhaltung Praktiken und vom Benutzer angegebenen Wasserqualität suchen Ziele. Die Grenzen zu quantifizieren die Kompromisse der Wasserscheide Managern durch die Vorlage der vollständigen Reihe von Kosten mit verschiedenen Verbesserung der Wasserqualität Ziele verknüpft konfrontiert. Das Programm ermöglicht eine Auswahl der Wasserscheide Konfigurationen erreichen angegebene Verbesserung der Wasserqualität Ziele und eine Produktion von Karten von optimierten Platzierung der Erhaltung Praktiken.
Wir bauen eine integrierte Simulations-Optimierung Rahmenbedingungen für Pareto-effiziente Sätze von Wasserscheide Konfigurationen mit niedrigsten Kosten Mix und Lage von landwirtschaftlichen Erhaltung Praktiken, um einen Bereich der Wasserscheide-Level-Nährstoff-Reduktionsziele zu erreichen suchen. Eine konzeptionelle Darstellung der Simulations-Optimierung ist in Abbildung 8 dargestellt. Watershed Simulation, einschließlich Simulation der Wasserqualität Auswirkungen landwirtschaftlicher Erhaltung…
The authors have nothing to disclose.
Diese Arbeit wurde zum Teil von der Unterstützung durch die US Environmental Protection Agency Gezielte Wasserscheiden Grants Program (Project # WS97704801) eingegangen sind, finanziert, der National Science Foundation Dynamik gekoppelter natürliche und menschliche Systeme (Project # DEB1010259-CARD-KLIN) und das US Department of Agriculture-National Institute of Coordinated Agricultural Foodand Agriculture Project (Projekt # 20116800230190-CARD-).